本地将Databricks模型注册至AzureML时DBFS路径无法识别的问题问询

云原生阿岚

2026-7-22

问题

我有一批在Databricks中通过MLflow跟踪并注册的机器学习模型，需要将其注册到AzureML。模型的.pkl文件存储在DBFS上，在Databricks笔记本中运行代码可以正常执行，但在本地机器运行相同代码时，AzureML无法找到模型路径（会搜索本地项目路径），报错信息如下：

azureml.exceptions._azureml_exception.WebserviceException: WebserviceException:
Message: Error, provided model path "/dbfs/FileStore/path/to/model/model.pkl" cannot be found
InnerException None
ErrorResponse
{
"error": {
"message": "Error, provided model path "/dbfs/FileStore/path/to/model/model.pkl" cannot be found"
}
}

无论是否使用pyspark和databricks-connect运行代码，该问题都会出现。请问如何让AzureML指向正确的DBFS存储？

# 在Databricks中执行的安装命令：%pip install mlflow==2.1.1 azureml-sdk[databricks] azureml-mlflow

import json
import mlflow
import os
from azureml.core import Workspace, Experiment, Run
from azureml.core.model import Model
from azureml.core.authentication import ServicePrincipalAuthentication

top_run_id = 123456789
top_run_dict = mlflow.get_run(top_run_id).to_dictionary()


### 连接到AZURE ML
subscription_id = '<我的订阅ID>'
resource_group = '<我的资源组>'
workspace_name = '<我的工作区名称>'

## 配置AML与DB工作区的通信
svc_pr = ServicePrincipalAuthentication(
    tenant_id='<我的租户ID>',
    service_principal_id='<我的服务主体ID>',
    service_principal_password='<我的服务主体密码>'
    )

ws = Workspace(
         subscription_id=subscription_id,
         resource_group=resource_group,
         workspace_name=workspace_name,
         auth=svc_pr
)

model_name = 'mlflow_local_azureml_test'
model_uri = json.loads(mlflow.get_run(top_run_id).data.tags['mlflow.log-model.history'])[0]['flavors']['python_function']['artifacts']['model_path']['uri']
model_description = '测试模型'
model_tags = {
  "Type": "RandomForest",
  "Run ID": top_run_id,
  "Metrics": mlflow.get_run(top_run_id).data.metrics
}

registered_model = Model.register(
  model_path=model_uri, 
  model_name=model_name,
  tags=model_tags,
  description=model_description,
  workspace=ws
)

解决方案

核心原因

本地环境无法直接访问DBFS路径，AzureML的Model.register方法默认会从本地文件系统读取模型，而非远程的DBFS存储。

可行解决方法

方法1：通过MLflow模型URI直接注册（推荐）
无需解析mlflow.log-model.history获取本地路径，直接使用MLflow标准模型URI格式（runs:/<run_id>/model），AzureML支持通过该URI直接拉取模型。前提是本地MLflow已配置好与Databricks的连接：

# 配置本地MLflow连接到Databricks（需提前设置DATABRICKS_HOST、DATABRICKS_TOKEN环境变量）
mlflow.set_tracking_uri("databricks")
# 用run_id构建模型URI
model_uri = f"runs:/{top_run_id}/model"
# 注册模型
registered_model = Model.register(
    model_path=model_uri, 
    model_name=model_name,
    tags=model_tags,
    description=model_description,
    workspace=ws
)

方法2：下载DBFS模型到本地后注册
使用dbfs库或Databricks CLI将模型文件从DBFS下载到本地，再传入本地路径给Model.register：

# 先安装dbfs库：pip install dbfs
from dbfs import DBFS

# 初始化DBFS客户端（替换为你的Databricks工作区URL和令牌）
dbfs = DBFS(host="https://<databricks-workspace-url>", token="<databricks-token>")
local_model_path = "./model.pkl"
# 下载DBFS文件到本地
dbfs.download("/dbfs/FileStore/path/to/model/model.pkl", local_model_path)

# 用本地路径注册模型
registered_model = Model.register(
    model_path=local_model_path, 
    model_name=model_name,
    tags=model_tags,
    description=model_description,
    workspace=ws
)

方法3：将DBFS挂载的Blob Storage直接暴露给AzureML
如果模型存储在DBFS挂载的Azure Blob Storage中，可直接将Blob路径（如wasbs://container@storageaccount.blob.core.windows.net/path/to/model.pkl）作为model_path，同时确保AzureML的服务主体拥有该Blob存储的读取权限。

内容的提问来源于stack exchange，提问作者Kasia Kulma

本地将Databricks模型注册至AzureML时DBFS路径无法识别的问题问询

核心原因 #

可行解决方法 #

核心原因

可行解决方法